当前位置:主页 > 科技论文 > 路桥论文 >

基于机器学习的TBM性能预测方法

发布时间:2024-05-27 00:39
  当下阶段的TBM(硬岩掘进机)工法,对于地质条件的适应性较差,掘进过程中易出现掘进速度慢、利用率低等情况。虽然现有的TBM大多配备数据采集系统,可实时采集TBM机械、电液参数,但是,对影响TBM掘进的因素及对应相关性缺乏研究,导致操作参数与岩体条件无法良好匹配,无法完全发挥TBM高效的施工优势,从而导致工期延误、成本剧增等问题。因此,如何了解TBM性能参数对地层条件及控制参数的响应规律,实现对TBM性能参数的准确预测,是减少延误、控制成本、提高TBM施工效率、保障隧道施工工期的重要方法。为了解决上述问题,本文以基于循环神经网络(RNN)的TBM掘进速度时序预测方法与基于神经网络-遗传算法(BPNN-GA)的TBM利用率预测方法研究为核心。采用理论分析、算法改进、工程验证等方法,建立了掘进速度以及利用率的预测模型,开发了基于浏览器/服务器模式(B/S)架构的TBM掘进性能在线预测平台。在此基础上,在吉林引松供水工程四标段开展了工程应用,验证模型的准确性和合理性。本文的主要研究工作及成果如下:(1)提出了基于LSTM循环神经网络和光滑约束的RNN净掘进速度时序预测模型。通过研究RNN神经网...

【文章页数】:103 页

【学位级别】:硕士

【部分图文】:

图2.4试验照片??Fig.?2.4?Text?photo??

图2.4试验照片??Fig.?2.4?Text?photo??

?讚?t-?1??日钃?|2016X)3^?j??图2.3地质素推图??Fig.?2.3?Geological?sketch??(2)单轴抗压强度与脆性指数获取方法??单轴抗压强度与抗拉强度的获取涉及到多个步骤,首先需要从现场获取岩芯,??其次将岩芯制备成可进行室内试验的岩芯样本....


图2.5加入岩体状态兄的单元输入情况??Fig.?2.5?Unit?input?condition?of?rock?state?Rt?added??

图2.5加入岩体状态兄的单元输入情况??Fig.?2.5?Unit?input?condition?of?rock?state?Rt?added??

优化目标的一部分加入到损失函数中,用于限制二者的差值并不断矫正岩体参数??传播通道中的“状态参数”。该通道将间断输入的岩体参数作为先验信息添加到网??络中,起到分段矫正网络训练结果的作用。如图2.5所示,在f时刻,有?-1时刻??的单元状态Cm、隐含状态以及f时刻的输入数据(本研....


图2.6改进的LSTM网络单元结构示意图??Fig.?2.6?Improved?LSTM?network?unit?structure?diagram??

图2.6改进的LSTM网络单元结构示意图??Fig.?2.6?Improved?LSTM?network?unit?structure?diagram??

保证长序列数据梯度传播稳定性的能力的基础上,进行预测模型的设计。??因此,在LSTM网络基础上,加入2.3.]中所叙述的岩体状态通路,本研究所设??计出的改进LSTM网络单元模型如图2.6所示。??#招进逨唆??^?C,./?@?VU状f?C,??/1H-i?v.::-?K.?1....


图2.10净掘进速度预测均值百分比误差情况??

图2.10净掘进速度预测均值百分比误差情况??

?测值,对于由于维修或者卡机等其他原因导致的全天停机情况,则从测试集随机??抽取一组掘进循环数据进行补充,其预测结果如图2.9及图2.10所示:??^?9(1?r ̄—?—????S?80?一?*???1?f ̄g-;?Tf??I?70?卜-二爷觀,???;,-rVH-?—?——令?....



本文编号:3982523

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/daoluqiaoliang/3982523.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户6ec97***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com